高光譜成像儀在數據采集的過程中，獲取的光譜波段數據非常的龐大，包含的冗余和共線性信息會影響模型的預測精度。因此，需要對提取的光譜數據進行優化，提取特征波長。本文對高光譜成像儀光譜數據特征波長的提取方法做了介紹。

高光譜成像儀器和光譜儀一般能夠獲得數百個光譜波段，同時光譜分析需要收集大量樣本，光譜矩陣往往非常龐大，光譜分析效率不高。同時光譜數據中包含的冗余和共線性信息會影響模型的預測精度。因此，需要對提取的光譜數據進行優化，去除冗余變量，尋找對模型建立起到關鍵作用的波長變量，減少波長個數，簡化和優化模型。提取得到的特征波長還有助于分析光譜檢測機理，開發簡易、低成本的多光譜成像檢測設備。

常用的特征波長選擇方法有連續投影算法、無信息變量消除、遺傳算法、逐步回歸法、回歸系數法、載荷系數法、競爭性自適應重加權算法、Random Frog等，其中競爭性自適應重加權算法和Random Frog是兩種新型的波長選擇方法，得到越來越廣泛的應用，下文對這兩種特征波長提取方法做了介紹。

1.競爭性自適應重加權算法

作為一種新的變量選擇算法，競爭性自適應重加權算法（CARS）是由研究人員在2009年提出。該方法與偏最小二乘回歸算法相結合，通過模仿達爾文進化論中“適者生存”的原則，每次采樣過程中利用指數衰減函數（EDP）和自適應重加權采樣技術（ARS）去除偏最小二乘回歸模型中回歸系數絕對值權重較小的變量，優選出回歸系數絕對值權重較大的變量，N次采樣后得到N個變量子集，依據交互驗證選出交互驗證均方根誤差（RMSECV）最小的變量子集，該子集所包含的變量即為最優特征波長變量組合。

2.Random Frog算法

Random Frog是一種新的變量提取方法，是一種類似于可逆跳轉馬爾可夫鏈蒙特卡洛（RJMCMC）的算法，通過在模型空間中模擬一條服從穩態分布的馬爾可夫鏈，來計算每個變量的被選概率，從而進行變量的選擇。Random Frog與偏最小二乘回歸算法相結合，建模方法采用偏最小二乘回歸，模型中每個變量回歸系數的絕對值大小作為每次迭代過程中該變量是否被剔除的依據。